本期概述：本期全程采用matlab代码实现：对C-MAPSS数据集提取进行分析，筛选重要特征，然后基于混合SE注意力机制的ResNet网络来进行寿命预测模型训练。具体步骤如下：

01

数据分析:  对原始C-MAPSS数据分析，筛选特征

02

数据划分: 编写脚本，一键实现对C-MAPSS数据划分训练集、测试集、验证集

03

模型改进: 采用SE注意力机制对ResNet网络进行改进

04

模型训练: 训练和预测，并对指定id号的发动机进行全寿命预测

05

区间置信度: 统计置信区间并绘图
 

C-MAPSS数据集需要注意的地方

网上关于C-MAPSS数据集的介绍有很多，我这里不再啰嗦，也可以看我之前的推文：C-MAPSS数据集可视化与预处理：MATLAB完整代码解析，发动机寿命预测必学数据集！我这里说一下关于该数据需要注意的地方。

 该数据包含四种工况，从官网下载下来的数据的目录长这样：

其中RUL_FD001记录的是test_FD001.txt测试集中每个id发动机的真实剩余寿命，其他文件一一对应。那么train_FD001.txt对应的真实寿命在哪里呢，其实官方给出的四个训练集，每个训练集中的每个id发动机都是从当前时刻跑到寿命为0就结束，因此训练集中每个ID寿命的最后一个周期都是0，其他的周期依次递增上去即可。

其中还有两点要理解的是：

①建立退化模型

    在预测维护中，当设备的剩余寿命较长时，精确预测其具体值的重要性较低。因为维护计划通常关注的是设备何时会接近失效（例如，RUL小于某个值）。因此，当RUL较大时，将其限制在一个上限值可以减少预测任务的难度。

   如果不设置阈值，RUL的值可能非常大（例如，有的发动机在训练数据开始时还有200多个循环）。这些大值的RUL样本可能会对模型训练产生负面影响，因为： 模型可能会被这些大值样本所主导，导致在预测小值RUL（即接近失效时）时表现不佳。 大值RUL的预测误差（如绝对误差）会很大，从而在整体上增加损失函数的值，使得模型优化方向偏离我们最关心的区域（即接近失效的区域）。通过设置阈值，我们将所有大于125的RUL都视为125，这样模型只需要关注RUL在0到125范围内的预测。这相当于将问题转化为预测一个上限为125的RUL值。许多关于C-MAPSS数据集的经典论文使用了125作为阈值。这样设置便于与已有研究结果进行比较。

    这里列出一篇博士参考论文：徐甜甜.航空发动机剩余使用寿命智能预测方法研究[D].大连理工大学,2024.DOI:10.26991/d.cnki.gdllu.2024.000331.

    发动机的寿命 T 可 以表示为：

    体现在程序中就是训练集的部分标签，在未达到剩余寿命125的情况下，将当前周期的寿命统统视为125。程序中已经设置好接口，可以随意更改，有些文献还会将这个阈值改成120。

②测试集的划分

    测试集的划分也有一定的门道，其中以test_FD001为例，原数据一共是13096行×26列，但是划分完数据之后，神奇的发现测试集变成了100×15×14的大小，那么其他数据去哪里了？

    其实预测时我们只关心发动机当前衰退状态，历史中间状态不影响当前RUL，因此只保留每台发动机的最后N个周期 (N可变)这里设定为15，而100就是对应100个id，14就是选择的14个重要的传感器。程序中这个序列也设置好了接口，可以随意更改。

理解上述关键的两点，那么你就对C-MAPSS数据集的整理有了更深一步的理解。

①C-MAPSS数据分析

关于C-MAPSS数据分析，可以参考这篇文章，也是完全由MATLAB代码实现的：C-MAPSS数据集可视化与预处理：MATLAB完整代码解析，发动机寿命预测必学数据集！

该代码分析了每个数据集

操作设置分布图：

操作设置随周期变化图：

每个传感器分析 (FD001)

传感器随周期变化

操作设置与RUL（剩余寿命）的关系

传感器与RUL的关系

随机选择5个引擎进行趋势分析

由以上数据分析即可筛选出来C-MAPSS的重要特征。

很多文献对此做了工作，如果你想在你的论文中附上此图以增加工作量，那么你就可以重新分析一遍，如果你的论文有篇幅要求，那么你也可以直接引用一些大佬的文献，直接给出重要特征即可。

重要特征一般取的就是下面几个传感器：

 {'s_2', 's_3', 's_4', 's_7', 's_8', 's_9', 's_11', 's_12', 's_13', 's_14', 's_15', 's_17', 's_20', 's_21'};对应的实际物理含义如下：

②SE-RESNET网络模型构建

近年来，各种注意力机制横空出行，将注意力机制与各种深度学习模型结合，模型对特征提取的能力相较于一般的深度学习网络更加强大，在降低网络学习的参数量的同时也提高了网络模型的泛化能力。

SE-ResNet（Squeeze-and-Excitation ResNet）是ResNet的一种改进版本，它结合了Squeeze-and-Excitation（SE）模块来提升网络的性能。SE模块通过对通道进行重新加权，使网络能够更好地自适应地关注不同通道的重要性。SE-ResNet的优势包括：

1. 增强的特征表达能力：通过对特征通道进行重要性建模，SE模块能够提升网络对重要特征的敏感度，从而增强特征的表达能力。

2. 更少的计算开销：尽管SE模块引入了额外的计算，但其设计相对简单，计算开销相比于网络其他部分较小，且通常带来性能的显著提升。

3. 易于集成：SE模块可以与现有的网络架构（如ResNet、Inception等）无缝集成，提升网络性能而不需要重新设计整个网络架构。

• SE机制的论文地址：https://arxiv.org/abs/1709.01507

下图是在提出SE模块的原文截取的，原文作者将SE模块应用在Resnet模块为例进行了展示。

可以看到SEmodule被应用到了Resnet模块的残差分支上。为了更好解释SE模块为什么能提高Resnet网络的泛化能力，这里附上一张更加形象的图。

原始的Resnet网络（图左），在进行两次3×3的卷积后，直接与上一步的池化或卷积的结果进行相加。

而在SE-Resnet结构（图右），首先将两次卷积后的特征维度进行全局池化处理，然后经过两个全连接层，而玄妙就在这两个全连接层，其中第一个全连接层将特征维度降低到输入的1/r，然后经过ReLu激活后再通过第二个全连接层升回到原来的维度。这样做比直接用一个全连接层的好处在于：①具有更多的非线性，可以更好地拟合通道间复杂的相关性；②极大地减少了参数量和计算量。最后再通过一个Sigmoid的门获得[0，1]之间归一化的权重。最后通过一个Scale的操作（也就是对应通道相乘）来将归一化后的权重加权到每个通道的特征上。相当于对每个通道的权重特征进行了一个标定，使得注意力集中在权重较高的通道上。不得不说，秒啊！

SE-Resnet的MATLAB实现

本期代码将SE机制在MATLAB中实现，并缝合到Resnet18网络中。看一下网络结果图吧，左边是SE-ResNET模块的结构图，右边是在MATLAB中实现的网络结构，完美实现了一一对应！

核心代码如下：这里展示了如何将SE模块缝合进去。

% Then, you need to connect the SE block properlySEblockName = '2a';ecaLayers = SEBlock(64,16,SEblockName); % Example parameterslgraph = addLayers(lgraph, ecaLayers);lgraph = disconnectLayers(lgraph, 'bn2a_branch2b', 'res2a/in1');lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['se_global_pool_',SEblockName]);mul = multiplicationLayer(2,'Name',['scale_',SEblockName]);lgraph = addLayers(lgraph, mul);lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['scale_',SEblockName,'/in1']);lgraph = connectLayers(lgraph, ['se_sigmoid_',SEblockName],['scale_',SEblockName,'/in2']);lgraph = connectLayers(lgraph, ['scale_',SEblockName], 'res2a/in1');

③实验验证

在FD001上的训练结果，将训练集中的10%拿出来作验证集，测试集就直接选用官方给出的数据。结果如下：

测试集预测结果：

抽取2台发动机进行全寿命预测：

第76台发动机全寿命预测结果：

第18台发动机全寿命预测结果：

代码目录截图：

注意：运行的时候运行脚本文件，也就是上面标红的文件。不要运行函数文件！

本期代码获取

直接复制下方链接跳转：

或者点击下方阅读原文跳转链接。

---

获取更多代码：

点击下方卡片获取